QazNet Cyber Threats от Tumar.One: Дайджест за март 2026
За прошедший месяц мы проанализировали большое количество отчётов в казахстанском сегменте интернета и зафиксировали ряд устойчивых тенденций. Вывод на лицо: подавляющее большинство критических инцидентов связано не со сложными кибератаками, а с базовыми ошибками при разработке и конфигурировании систем.
Детальный разбор — топ-5 категорий уязвимостей, примеры и рекомендации — в карточках выше.
Кибергигиена — это не разовая мера, а непрерывный процесс.
Следите за последующими дайджестами на tumar.one.
За прошедший месяц мы проанализировали большое количество отчётов в казахстанском сегменте интернета и зафиксировали ряд устойчивых тенденций. Вывод на лицо: подавляющее большинство критических инцидентов связано не со сложными кибератаками, а с базовыми ошибками при разработке и конфигурировании систем.
Детальный разбор — топ-5 категорий уязвимостей, примеры и рекомендации — в карточках выше.
Кибергигиена — это не разовая мера, а непрерывный процесс.
Следите за последующими дайджестами на tumar.one.
TSARKA - Cybersecurity leader in Central Asia (official channel)
Photo
40% публичное раскрытие конфигураций переменных окружения и незащищенные БД 🤯
Участвуй в Тренировке Data Dojo — выиграй призы и проходку на фестиваль YOUNG CON.
25 июня ждём тебя в ML-пространстве DATA DOJO на фестивале YOUNG CON — будем обсуждать актуальные тренды ML и разберём реальную задачу.
Чтобы попасть, зарегистрируйся на Тренировку и реши ML-задачу. Топ-350 участников пригласим на YOUNG CON в пространство DATA DOJO. Топ‑50 участников получат фаст-трек на стажировку в Яндекс, а топ‑10 — умные устройства с Алисой.
Link: https://yandex.ru/youngcon/datadojo
25 июня ждём тебя в ML-пространстве DATA DOJO на фестивале YOUNG CON — будем обсуждать актуальные тренды ML и разберём реальную задачу.
Чтобы попасть, зарегистрируйся на Тренировку и реши ML-задачу. Топ-350 участников пригласим на YOUNG CON в пространство DATA DOJO. Топ‑50 участников получат фаст-трек на стажировку в Яндекс, а топ‑10 — умные устройства с Алисой.
Link: https://yandex.ru/youngcon/datadojo
Big news: the first-ever ✨ FastAPI Conf ✨ is coming!
🇳🇱 Netherlands, Amsterdam (жаль не в Казахстане 😅)
📅 October 28
Meet the FastAPI team, connect with developers ☕️
🎟️ Join the waitlist for early ticket access: fastapiconf.com
🇳🇱 Netherlands, Amsterdam (жаль не в Казахстане 😅)
📅 October 28
Meet the FastAPI team, connect with developers ☕️
🎟️ Join the waitlist for early ticket access: fastapiconf.com
👀 DeepML Computer Vision practice problems: https://www.deep-ml.com/problems?category=Computer+Vision
+ The essentials of deep learning with PyTorch: https://www.deep-ml.com/collections/PyTorch%20Basics
+ The essentials of deep learning with PyTorch: https://www.deep-ml.com/collections/PyTorch%20Basics
Forwarded from HackAlem
Mira — когда хочешь делегировать рутину
Notion — когда надо собрать всё в одном месте
Obsidian — когда хочется думать не по папкам, а по связям
А если хочешь не просто пользоваться AI, а еще и побороться за призы —
залетай в Mira Growth Hack
Регистрация: клик (нажми)
Please open Telegram to view this post
VIEW IN TELEGRAM
DeepML #242: Non-Maximum Suppression for Object Detection 👀
Problem for practice NMS (DeepML #242): https://www.deep-ml.com/problems/242
NMS implementation without Numpy (clean python): https://gist.github.com/silvermete0r/b4396efdeb48e5df639a5e69a0870b95
NMS vectorized implementation with Numpy: https://gist.github.com/silvermete0r/0ae1ed33557ee44e6aad3a2fbf2ec237
Image credits: learnopencv
Non-Maximum Suppression (NMS) is a crucial post-processing technique in computer vision, notably in object detection (e.g., YOLO, SSD), designed to eliminate redundant, overlapping bounding boxes for a single object. It works by selecting the highest-confidence prediction and suppressing others that overlap significantlyProblem for practice NMS (DeepML #242): https://www.deep-ml.com/problems/242
NMS implementation without Numpy (clean python): https://gist.github.com/silvermete0r/b4396efdeb48e5df639a5e69a0870b95
NMS vectorized implementation with Numpy: https://gist.github.com/silvermete0r/0ae1ed33557ee44e6aad3a2fbf2ec237
Image credits: learnopencv